Aprendizado De Maquina Supervisionado
Mostrando 13-24 de 33 artigos, teses e dissertações.
-
13. Avaliação de métodos não-supervisionados de seleção de atributos para mineração de textos / Evaluation of unsupervised feature selection methods for Text Mining
Feature selection is an activity sometimes necessary to obtain good results in machine learning tasks. In Text Mining, reducing the number of features in a text base is essential for the effectiveness of the process and the comprehensibility of the extracted knowledge, since it deals with high dimensionalities and sparse contexts. When dealing with contexts
Publicado em: 2009
-
14. Reconhecimento e delineamento sinergicos de objetos em imagens com aplicações na medicina / Synergistic delineation and recognition of objects in images with applications in medicine
Segmentar uma imagem consiste em particioná-la em regiões relevantes para uma dada aplicação (e.g., objetos e fundo). A segmentação de imagem é um dos problemas mais fundamentais e desafiadores em processamento de imagem e vis¿ao computacional. O problema da segmentação representa um desafio técnico importante na computação devido `a dificuldade
Publicado em: 2009
-
15. Relations among rankings, ROC analysis and calibration applied to machine learning / Relações entre ranking, análise ROC e calibração em aprendizado de máquina
Aprendizado supervisionado tem sido principalmente utilizado para classificação. Neste trabalho são mostrados os benefícios do uso de rankings ao invés de classificação de exemplos isolados. Um rankeador é um algoritmo que ordena um conjunto de exemplos de tal modo que eles são apresentados do exemplo de maior para o exemplo de menor expectativa de
Publicado em: 2008
-
16. Aprendizado semi-supervisionado e não supervisionado para análise de dados de expressão gênica
Data clustering has been seen, in the last decades, as an important tool for gene expression data analysis. In recent years, due to the progress in gene annotation research, a growing interest has been noticed for the semi-supervised clustering techniques, which use knowledge previously available about some gene functions to discover functions of other genes
Publicado em: 2008
-
17. Uso de Meta-aprendizado para a SeleÃÃo e OrdenaÃÃo de Algoritmos de Agrupamento Aplicados a Dados de ExpressÃo GÃnica
O volume de dados de expressÃo gÃnica vem crescendo exponencialmente nos Ãltimos anos devido Ãs novas tecnologias da Biologia Molecular, que permitem medir a expressÃo de milhares de genes ao mesmo tempo. A anÃlise computacional desses dados tem grande importÃncia na Biologia e na Medicina. Ela permite, por exemplo, a descoberta de novas classes de c�
Publicado em: 2008
-
18. Orpheo : uma estrutura de trabalho para integração dos paradigmas de aprendizado supervisionado e não-supervisionado
Esta tese apresenta contribuições ao processo de Descoberta de Conhecimento em Bases de Dados (DCBD). DCBD pode ser entendido como um conjunto de técnicas automatizadas – ou semi-automatizadas – otimizadas para extrair conhecimento a partir de grandes bases de dados. Assim, o já, de longa data, praticado processo de descoberta de conhecimento passa a
Publicado em: 2007
-
19. Automatic evaluation of the quality of English abstracts / Avaliação automática da qualidade de escrita de resumos científicos em inglês
Problemas com a escrita podem afetar o desempenho de profissionais de maneira marcante, principalmente no caso de cientistas e acadêmicos que precisam escrever com proficiência e desembaraço não somente na língua materna, mas principalmente em inglês. Durante os últimos anos, ferramentas de suporte à escrita, algumas com enfoque em textos científico
Publicado em: 2007
-
20. Utilizando Pesos estáticos e dinâmicos em sistemas multi-classificadores com diferentes níveis de diversidade
Apesar de algumas técnicas individuais de Aprendizado de Máquina (AM) supervisionado, tambémconhecidos como classificadores, ou algoritmos de classificação, fornecerem soluções que, na maioria das vezes, são consideradas eficientes, há resultados experimentais obtidos com a utilização de grandes conjuntos de padrões e/ou que apresentam uma quanti
Publicado em: 2007
-
21. Learning support vector machines from labeled and unlabeled data. / Classificadores baseados em vetores de suporte gerados a partir de dados rotulados e não-rotulados.
Treinamento semi-supervisionado é uma metodologia de aprendizado de máquina que conjuga características de treinamento supervisionado e não-supervisionado. Ela se baseia no uso de bases semi-rotuladas (bases contendo dados rotulados e não-rotulados) para o treinamento de classificadores. A adição de dados não-rotulados, mais baratos e geralmente disp
Publicado em: 2006
-
22. Aprendizado não-supervisionado em redes neurais pulsadas de base radial. / Unsupervised learning in pulsed neural networks with radial basis function.
Redes neurais pulsadas - redes que utilizam uma codificação temporal da informação - têm despontado como uma nova e promissora abordagem dentro do paradigma conexionista emergente da ciência cognitiva. Um desses novos modelos é a rede neural pulsada de base radial, capaz de armazenar informação nos tempos de atraso axonais dos neurônios e que compo
Publicado em: 2006
-
23. "New approaches in machine learning for rule generation, class imbalance and rankings" / "Novas abordagens em aprendizado de máquina para a geração de regras, classes desbalanceadas e ordenação de casos"
Algoritmos de aprendizado de máquina são frequentemente os mais indicados em uma grande variedade de aplicações de mineração dados. Entretanto, a maioria das pesquisas em aprendizado de máquina refere-se ao problema bem definido de encontrar um modelo (geralmente de classificação) de um conjunto de dados pequeno, relativamente bem preparado para o a
Publicado em: 2006
-
24. Combinig classifiers using knowledge rule measures and genetic algortgms / Combinação de classificadores simbólicos utilizando medidas de regras de conhecimento e algoritmos genéticos
A qualidade das hipóteses induzidas pelos atuais sistemas de aprendizado de máquina supervisionado depende da quantidade dos exemplos no conjunto de treinamento. Por outro lado, muitos dos sistemas de aprendizado de máquina conhecidos não estão preparados para trabalhar com uma grande quantidade de exemplos. Grandes conjuntos de dados são típicos em m
Publicado em: 2006